KaydedilenlerDerginizi ekleyin

Dergiler / Balkan Journal of Electrical and Computer Engineering / 2026 / Cilt: 14

Özellik Füzyonuna Göre Sınıflandırma: Türkçe Metinlerde Dilsel Özelliklerin Duygu Analizi Üzerindeki Etkisi

Classification by Feature Fusion: The Impact of Linguistic Features on Sentiment Analysis in Turkish Texts

Dilber Çetintaş(MALATYA TURGUT ÖZAL ÜNİVERSİTESİ)0000-0003-0710-2280
Zehra Yücel(NECMETTİN ERBAKAN ÜNİVERSİTESİ)0000-0002-2863-9119
Sayfa
260–266
Yayın Tarihi
2026-10-13
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışma, Türkçeye özgü dil özelliklerinin duygu analizi üzerindeki etkilerini ortaya koyarak literatüre katkıda bulunmayı ve bu alanda önemli bir boşluğu doldurmayı amaçlamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:E-ticaret platformlarının hızlı yükselişi, kullanıcı yorumlarını önemli bir veri kaynağına dönüştürmüştür.
📊
Temel Bulgular & Veri:Bu çalışmada, TRSAv1 veri seti, Türkçe diline özgü dilsel özelliklerin duygu sınıflandırması üzerindeki etkisini incelemek için kullanılmıştır.
💡
Sonuç & Katkı:Bu çalışma, Türkçeye özgü dil özelliklerinin duygu analizi üzerindeki etkilerini ortaya koyarak literatüre katkıda bulunmayı ve bu alanda önemli bir boşluğu doldurmayı amaçlamaktadır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Özellik Çıkarımı · Dilsel Özellikler · Makine Öğrenmesi

Özet

E-ticaret platformlarının hızlı yükselişi, kullanıcı yorumlarını önemli bir veri kaynağına dönüştürmüştür. Bu yorumlar, kullanıcı duygularını anlamak için önemli bir fırsat sunarken, Türkçe dilinde duygu analizi yapmak çeşitli zorluklar ortaya çıkarmaktadır. Türkçenin karmaşık dil yapısı ve literatürdeki sınırlı sayıda çalışma, bu alandaki analizlerin doğruluğunu ve kapsamını kısıtlamaktadır. Özellikle noktalama işaretleri, dil bilgisi yapıları ve diğer dilsel özellikler, duygu analizi sürecinde dikkate alınması gereken temel unsurlardır. Bu çalışmada, TRSAv1 veri seti, Türkçe diline özgü dilsel özelliklerin duygu sınıflandırması üzerindeki etkisini incelemek için kullanılmıştır. Metinlerden morfolojik, sözdizimsel ve anlamsal özellikler çıkarılmış ve sınıflandırma performansına katkıları değerlendirilmiştir. Çalışmada çeşitli duygu sınıfları arasındaki dilsel farklılıkların etkisi incelenmiştir. Olumlu-olumsuz duygu analizinde %89'luk bir sınıflandırma doğruluğu elde edilirken, olumlu ve nötr duygular arasında ayrım yapmanın daha zor olduğu ve daha düşük bir performansla sonuçlandığı görülmüştür. Bu çalışma, Türkçeye özgü dil özelliklerinin duygu analizi üzerindeki etkilerini ortaya koyarak literatüre katkıda bulunmayı ve bu alanda önemli bir boşluğu doldurmayı amaçlamaktadır.

Abstract

The rapid rise of e-commerce platforms has transformed user reviews into a significant data source. While these reviews present an important opportunity to understand user sentiments, conducting sentiment analysis in the Turkish language poses various challenges. The complex linguistic structure of Turkish and the limited number of studies in the literature restrict the accuracy and scope of analyses in this domain. Particularly, punctuation marks, grammatical structures, and other linguistic features are key aspects to consider during the sentiment analysis process. In this study, the TRSAv1 dataset was utilized to examine the impact of linguistic features specific to the Turkish language on sentiment classification. Morphological, syntactic, and semantic features were extracted from the texts, and their contributions to classification performance were evaluated. The study analyzed the influence of linguistic differences across various sentiment classes. A classification accuracy of 89% was achieved for positive-negative sentiment analysis, whereas distinguishing between positive and neutral sentiments was found to be more challenging, resulting in a lower performance. This study aims to contribute to the literature by revealing the effects of Turkish-specific linguistic features on sentiment analysis, thereby addressing a critical gap in this area of research.

🔖

Bu Makaleye Atıf Yap

Çetintaş, D., Yücel, Z. (2026). Özellik Füzyonuna Göre Sınıflandırma: Türkçe Metinlerde Dilsel Özelliklerin Duygu Analizi Üzerindeki Etkisi. Balkan Journal of Electrical and Computer Engineering, Cilt: 14, 260–266. https://doi.org/10.17694/bajece.1740158

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Pandey, A., & Vishwakarma, D. K. (2024). Progress, achievements, and challenges in multimodal sentiment analysis using deep learning: A survey. Applied Soft Computing, 152, 111206.
  2. Mao, Y., Liu, Q., & Zhang, Y. (2024). Sentiment analysis methods, applications, and challenges: A systematic literature review. Journal of King Saud University - Computer and Information Sciences, 102048.
  3. Chaturvedi, I., Cambria, E., Welsch, R. E., & Herrera, F. (2018). Distinguishing between facts and opinions for sentiment analysis: Survey and challenges. Information Fusion, 44, 65–77.
  4. Ayata, D., Saraçlar, M., & Özgür, A. (2017). Turkish tweet sentiment analysis with word embedding and machine learning. In Signal Processing and Communications Applications Conference (SIU) (pp. 1–4).
  5. Kirelli, Y., & Arslankaya, S. (2020). Sentiment analysis of shared tweets on global warming on Twitter with data mining methods: A case study on Turkish language. Computational Intelligence and Neuroscience, 2020, 1904172.
  6. Özmen, C. G., & Gündüz, S. (2025). Comparison of machine learning models for sentiment analysis of big Turkish web-based data. Applied Sciences, 15(5), 2297.
  7. Bilgin, U., & Kara, S. S. (2024). Identification of perceived challenges in the green energy transition by Turkish society through sentiment analysis. Sustainability, 16(8), 3367.
  8. Amasyali, M. F., Tasköprü, H., & Çaliskan, K. (2018). Words, meanings, characters in sentiment analysis. In Innovations in Intelligent Systems and Applications Conference (ASYU) (pp. 1–6).
  9. Kemaloğlu, N., Küçüksille, E., & Özgünsür, M. (2021). Turkish sentiment analysis on social media. Sakarya University Journal of Science, 25(3), 629–638.
  10. Eker, A. G., Eker, K., & Duru, N. (2021). Multi-class sentiment analysis from Turkish tweets with RNN. In International Conference on Computer Science and Engineering (UBMK) (pp. 560–564).
  11. Aydoğan, M., & Kocaman, V. (2023). TRSAv1: A new benchmark dataset for classifying user reviews on Turkish e-commerce websites. Journal of Information Science, 49(6), 1711–1725.
  12. Altaf, A., Anwar, M. W., Jamal, M. H., & Bajwa, U. I. (2023). Exploiting linguistic features for effective sentence-level sentiment analysis in Urdu language. Multimedia Tools and Applications, 82(27), 41813–41839.
  13. Qi, P., Zhang, Y., Zhang, Y., Bolton, J., & Manning, C. D. (2020). Stanza: A Python natural language processing toolkit for many human languages. arXiv preprint arXiv:2003.07082.
  14. Kauchak, D., Leroy, G., & Hogue, A. (2017). Measuring text difficulty using parse-tree frequency. Journal of the Association for Information Science and Technology, 68(9), 2088–2100.
  15. Nunberg, G. (1990). The linguistics of punctuation. CSLI.
  16. Johnson, S. J., Murty, M. R., & Navakanth, I. (2024). A detailed review on word embedding techniques with emphasis on word2vec. Multimedia Tools and Applications, 83(13), 37979–38007.
  17. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781.
  18. Alnuaimi, A. F., & Albaldawi, T. H. (2024). An overview of machine learning classification techniques. BIO Web of Conferences, 97, 00133.
  19. Kaynar, O., Görmez, Y., Yıldız, M., & Albayrak, A. (2016). Makine öğrenmesi yöntemleri ile duygu analizi. In International Artificial Intelligence and Data Processing Symposium (IDAP).
  20. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
  21. Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106.
  22. Boser, B. E. (1992). A training algorithm for optimal margin classifiers. In ACM Workshop on Computational Learning Theory (pp. 144–152).
  23. Dinçer, E. Ş., Kayaoğlu, D., & Safarlı, S. (2022). Metin madenciliği ve duygu analizi ile siber zorbalık tespiti. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 3(2), 38–45.
  24. Çılgın, C., Ünal, C., Alıcı, S., Akkol, E., & Gökşen, Y. (2020). Metin sınıflandırmada yapay sinir ağları ile bitcoin fiyatları ve sosyal medyadaki beklentilerin analizi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 4(1), 106–126.
  25. Kiziltepe, R. S., Ezin, E., & Karakus, M. (2024). A comparative study of ML models on large-scale Turkish sentiment datasets. In Innovations in Intelligent Systems and Applications Conference (ASYU) (pp. 1–6).
  26. Arzu, M., & Aydoğan, M. (2023). Türkçe duygu sınıflandırma için transformers tabanlı mimarilerin karşılaştırılmalı analizi. In International Artificial Intelligence and Data Processing Symposium (IDAP) (pp. 1–6).